九月第二周，孙总在内部通讯上给林晨发了一条消息：国泰证券的人下周来公司考察，想了解一下FinGPT在投研场景的应用。你这边方便接待一下吗？
林晨正在写代码，看了一眼消息，手指悬在键盘上方停了两秒。
证券公司的考察。这意味着FinGPT的名声已经从T厂内部传到了外部机构。他回了一个字：
会议定在周三下午两点。国泰证券来了三个人——技术总监姓王，四十出头，头发梳得一丝不苟，说话慢条斯理但每个问题都问在技术上；一个产品经理姓赵，三十出头，带着一个平板和一本厚厚的笔记；还有一个合规主管沉默寡言，全程只在本子上记录。
林晨这边带了陈铭和产品部的刘姐。会议室还是二十楼那间——空调出风口还是对着座位吹。
王总开门见山：我们公司最近在推数字化转型，其中有一个方向是智能投研——用AI帮分析师提高研报撰写效率，同时帮普通投资者降低信息获取门槛。我们在网上看到了您们在FinGPT上的技术分享，想了解一下能不能合作。
陈铭把FinGPT的技术架构和金融问答能力投在屏幕上，从数据采集、指令微调、RLHF对齐到评测体系，每个环节大概讲了两分钟。王总听得很认真，在陈铭讲到领域微调数据规模的时候打断了一下：你们的金融训练数据大概有多少？
目前高质量标注数据大约两万条，覆盖理财、保险、基金、股票四个领域。另外有十几万条半自动标注的公开监管文件数据。
两万条标注数据听起来不多，但在金融这个领域已经是相当可观的积累。金融数据的标注成本远高于通用领域——一条涉及复杂金融产品的问答对，需要具备专业资质的标注人员花十五到二十分钟才能完成，单条成本在五十块以上。
王总显然知道这个成本结构，所以他没有追问为什么只有两万条——而是问了另一个问题：如果我们想合作开发一个智能投研助手，您们需要什么？
林晨接过话头——这也是他的主场：两样东西。第一，数据。券商手里有大量的研报、路演纪要、行业数据库，这些都是训练投研模型的燃料。没有数据，模型再强也做不出垂直场景的效果。第二，业务场景和反馈。我们不知道一个券商分析师每天的工作流程长什么样，不知道他看研报的时候最需要什么维度的信息——这些需要你们的产品经理和分析师告诉我们。
你们能提供什么？赵经理第一次开口。
（本章节未完结，点击下一页翻页继续阅读）
正在加载...